Contribution à la surveillance intelligente et au pronostic de défaillance des systèmes industriels.

Contribution to intelligent monitoring and failure prognostics of industrial systems.

• Auteur / Autrice : Moncef Soualhi
• Direction : Kamal Medjaher, Thi Phuong Khanh Nguyen
• Type : Thèse de doctorat
• Discipline(s) : Génie industriel
• Date : Soutenance le 14/01/2021
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Jury : Président / Présidente : Saïd Noureddine Zerhouni
• Jury : Examinateurs / Examinatrices : Kamal Medjaher, Thi Phuong Khanh Nguyen, Antoine Grall, Moamar Sayed-Mouchaweh, Phuc Do Van
• Jury : Rapporteurs / Rapporteuses : Antoine Grall, Moamar Sayed-Mouchaweh

Mots clés

Mots clés contrôlés

Traitement du signal -- Techniques numériques

Statistique médicale

Apprentissage supervisé (intelligence artificielle)

Espérance de vie

Pronostic (médecine)

Mots clés libres

Pronostic et gestion de santé guidés par les données

Surveillance intelligente

Traitement du signal

Apprentissage machine

Détection des défauts

Diagnostic des défauts

Pronostic de défaillance

Construction d'indicateurs de santé

Fusion d'informations

Estimation de la durée de vie résiduelle restante

Pronostic des systèmes contrôlés.

Data-driven prognostics and health management

Intelligent monitoring

Signal processing

Machine learning

Fault detection

Fault diagnostics

Failure prognostics

Health indicators Construction

Information fusion

Remaining useful life estimation

Prognostics of controlled systems

Résumé

Cette thèse est réalisée dans le cadre du projet SMART financé par un programme européen, Interreg POCTEFA. Il vise à aider les petites et moyennes entreprises à renforcer leur compétitivité dans le contexte de l'Industrie 4.0 en développant des outils de surveillance intelligente pour la gestion autonome de la santé de leurs systèmes. Pour ce faire, nous proposons des algorithmes orientés données pour le pronostic et la gestion de santé des systèmes industriels. La première contribution concerne la construction d'un nouvel indicateur de santé robuste qui permet de séparer clairement les différents états de santé d'un grand nombre de composants critiques du système. Ce nouvel indicateur est également capable de prendre en compte plusieurs paramètres de surveillance dans diverses conditions de fonctionnement. Ensuite, la deuxième contribution aborde les défis posés par le diagnostic des défauts inconnus dans les systèmes dynamiques, en particulier la détection, la localisation et l’identification de l'origine des dérives des axes de robot lorsque ces dernières n'ont pas été apprises auparavant. À cette fin, une nouvelle méthodologie de diagnostic en ligne basée sur la fusion d'informations provenant des techniques de surveillance directe et indirecte est proposée. Elle utilise la surveillance directe pour mettre à jour, instantanément, le modèle de surveillance indirecte pour diagnostiquer en ligne l’origine des nouvelles dérives. Enfin, notre dernière contribution traite du pronostic de défaillances dans les systèmes industriels contrôlés dont le contrôleur peut avoir un impact négatif sur les prédictions à long terme. Pour remédier à ce problème, nous développons une nouvelle approche de pronostic adaptatif basé sur la combinaison de prédictions issues de plusieurs modèles d'apprentissage sur différents horizons temporels. L’approche proposée permet de capturer la tendance de la dégradation à long terme tout en tenant compte des changements d'état à court terme causés par les activités du contrôleur, ce qui permet d'améliorer la précision du pronostic. Les performances des approches proposées dans cette thèse ont été vérifiées sur différents cas d’études réels représentant les démonstrateurs des partenaires de la thèse.

This thesis was conducted within the framework of SMART project funded by a European program, Interreg POCTEFA. The project aims to support small and medium-sized companies to increase their competitiveness in the context of Industry 4.0 by developing intelligent monitoring tools for autonomous system health management. To do so, in this work, we propose efficient data-driven algorithms for prognostics and health management of industrial systems. The first contribution consists of the construction of a new robust health indicator that allows clearly separating different fault states of a wide range of systems’ critical components. This health indicator is also efficient when considering multiples monitoring parameters under various operating conditions. Next, the second contribution addresses the challenges posed by online diagnostics of unknown fault types in dynamic systems, particularly the detection, localization, and identification of the robot axes drifts origin when these drifts have not been learned before. For this purpose, a new online diagnostics methodology based on information fusion from direct and indirect monitoring techniques is proposed. It uses the direct monitoring way to instantaneously update the indirect monitoring model and diagnose online the origin of new faults. Finally, the last contribution deals with the prognostics issue of systems failure in a controlled industrial process that can lead to negative impacts in long-term predictions. To remedy this problem, we developed a new adaptive prognostics approach based on the combination of multiple machine learning predictions in different time horizons. The proposed approach allows capturing the degradation trend in long-term while considering the state changes in short-term caused by the controller activities, which allows improving the accuracy of prognostics results. The performances of the approaches proposed in this thesis were investigated on different real case studies representing the demonstrators of the thesis partners.