Couplage simulation déterministe et non-déterministe pour la maintenance prédictive

Deterministic and non-deterministic simulation coupling for predictive maintenance

• Auteur / Autrice : Sébastien Schwartz
• Direction : Rob A. Vingerhoeds, Michel Salaün
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel et Informatique
• Date : Soutenance le 30/11/2020
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Equipe de recherche : Equipe d'accueil doctoral Commande des systèmes et dynamique du vol (Toulouse, Haute-Garonne)
• Partenaire(s) de recherche : Laboratoire : Institut supérieur de l'aéronautique et de l'espace (Toulouse, Haute-Garonne). Département d’ingénierie des systèmes complexes
• Jury : Président / Présidente : Claude Baron
• Jury : Examinateurs / Examinatrices : Claude Baron, Emmanuel Ramasso, Ajith Parlikad, Wilhelmus Johannes Cornelis Verhagen
• Jury : Rapporteurs / Rapporteuses : Emmanuel Ramasso, Ajith Parlikad

Mots clés

Mots clés contrôlés

Systèmes dynamiques hybrides

Maintenance conditionnelle

Intelligence artificielle

Ingénierie des systèmes

Mots clés libres

Maintenance prédictive

Modèle hybride de pronostic

Modèle hybride de diagnostic

Connaissance complémentaire

Intelligence artificielle

Ingénierie systèmes

Predictive Maintenance

Prognostic hybrid model

Diagnostic hybrid model

Complementarity knowledge

Artificial Intelligence

System engineering

Résumé

Le travail de recherche est axé sur développement d’approches complémentaires, automatiques et génériques pour la maintenance prédictive. Etant donné que les systèmes industriels modernes sont de plus en plus complexes, il en résulte un besoin de faire évoluer les approches traditionnelles pour relever ces nouveaux défis. Une approche hybride en série pour le diagnostic a été développée pour identifier et isoler les modes de défaillance sur les moteurs de manière autonome. Cette approche est basée sur un réseau de neurones non supervisé (Self-Organizing Map) et l’utilisation de fonctions de densité de probabilité. Pour l'aspect pronostique, une approche hybride parallèle a été développée. Elle utilise deux techniques reposant sur un réseau de neurones non supervisé (Self-Organizing Map) et un algorithme d'analyse en composantes principales non-linéaire (KPCA) où chaque modèle estime l'indice de santé. Une approche basée sur la similarité est ensuite utilisée sur chaque technique pour l'estimation de la durée de vie restante. Les deux estimations sont finalement fusionnées par une règle d'expert. Comme étude de cas, un turboréacteur simulé a été utilisé, qui est une référence largement utilisée et fourni par la NASA. Les résultats sont produits sans pratiquement aucune interaction humaine au cours du processus.

The research work focuses on the development of complementary, automatic and generic approaches for predictive maintenance. As modern industrial systems become increasingly complex, there is a need to evolve traditional approaches to meet these new challenges. A serial hybrid approach for diagnostics was developed to identify and isolate failure modes on engines autonomously. This approach is based on an unsupervised neural network (Self-Organizing Map) and probability density functions. For the prognostic aspect, a parallel hybrid approach was developed. It uses two technics relying on a Self-Organizing Map (SOM) network and a Kernel Principal Component Analysis (KPCA) algorithm where each model estimates the health index. Each technic is then followed by similarity-based approach for remaining useful life estimation, and both estimations are finally fused by an expert rule. As case-study, a simulated turbofan jet engine was used, which is a widely used benchmark from NASA Ames Prognostics Data Repository. Results are produced with nearly no human interaction during the process.