Thèse soutenue

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

FR  |  
EN
Auteur / Autrice : Moncef Soualhi
Direction : Kamal MedjaherThi 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
Examinateurs / Examinatrices : Kamal Medjaher, Thi Phuong Khanh Nguyen, Antoine Grall, Moamar Sayed-Mouchaweh, Phuc Do Van
Rapporteurs / Rapporteuses : Antoine Grall, Moamar Sayed-Mouchaweh

Résumé

FR  |  
EN

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.