Gestion de l'état de santé de véhicules pour la maintenance de flotte : prise en compte des contraintes opérationnelles et optimisation conjointe des maintenances et des missions

Health management of industrial vehicles and fleet maintenance optimization : taking into account operation constraints and mission planning

• Auteur / Autrice : Elodie Robert
• Direction : Christophe Bérenguer
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance le 19/12/2019
• Etablissement(s) : Université Grenoble Alpes (ComUE)
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique (2007-....)
• Jury : Président / Présidente : Yannick Frein
• Jury : Examinateurs / Examinatrices : Phuc Do Van, Romain Lesobre
• Jury : Rapporteurs / Rapporteuses : Anne Barros, Pierre Dehombreux

Mots clés

Mots clés contrôlés

Systèmes d'aide à la décision

Automobiles -- Entretien et réparations

Maintenance conditionnelle

Véhicules utilitaires

Mots clés libres

Modélisation de la maintenance

Fiabilité

Gestion de l'état de santé

Véhicules industriels

Dégradation

Maintenance modelling

Reliability

Health Management

Industrial vehicles

Deterioration

Résumé

Ces travaux de thèse traitent des problèmes de planification conjointe des opérations de maintenance et des missions pour des flottes de véhicules industriels. Le but est de développer une méthodologie permettant d’adapter la planification conjointe des maintenances et des missions en fonction de l’état de santé des véhicules mais également en fonction des caractéristiques des missions. Ces caractéristiques correspondent aux conditions de sévérité d’usage qui ont un impact important sur la dégradation du camion et doivent être prise en compte pour adapter au mieux la planification des opérations de maintenance en fonction de l’évolution de la dégradation. La mise en place d’une méthodologie d’aide à la décision pour gérer une flotte permettrait d’améliorer la productivité, de réduire les coûts de maintenance tout en utilisant au mieux la capacité de la flotte. Cependant, le problème de planification conjointe pour une flotte est un problème complexe à résoudre nécessitant de considérer trois dimensions. La première est de planifier conjointement les missions et les maintenances de façon statique. La seconde est d’intégrer, de façon dynamique, les informations de surveillance disponibles et les différents événements pouvant se produire pour mettre à jour le planning. La troisième dimension est la dimension flotte qui implique de gérer plusieurs véhicules en parallèle.La première étape consiste à planifier conjointement les activités de maintenance et les missions pour un camion dans un cas statique. On suppose alors qu’on connait toutes les missions à planifier et qu’aucune information de surveillance n’est disponible. Pour cela, on définit un modèle de dégradation du véhicule afin d’estimer sa durée de vie résiduelle pour prendre les décisions. C’est un modèle avec des valeurs de paramètres variables car le véhicule évolue dans des conditions de sévérité d’usage différentes en fonction des missions. Il est le point central pour mettre en place un algorithme de planification afin d’éviter les risques de panne trop importants. La planification est naturellement optimisée en fonction d’un critère basé soit sur les coûts de maintenance, soit sur les revenus d’exploitation.Une fois cette méthodologie définie, elle est complétée pour intégrer les informations relatives à la dégradation du véhicule, les occurrences de panne et les nouvelles missions qui peuvent demandées. Une approche dynamique pour résoudre le problème de planification pour un véhicule a donc été développée. Si une panne survient, le planning est mis à jour car il n’est plus adapté à l’évolution de la dégradation réelle du véhicule. De même, lorsque qu’une nouvelle mission est disponible, une mise à jour est indispensable car l’ordre de priorité des missions, défini par leurs dates limites de livraison, doit être pris en compte au plus vite pour éviter les pénalités de retard. En revanche, une information de dégradation peut avoir une influence variable sur le planning en cours. Il s’agit donc d’étudier la robustesse du planning pour éviter de changer trop souvent l’ordre des missions et les dates de maintenance.La dernière étape consiste à intégrer la dimension flotte dans la prise de décision. Ce n’est donc plus juste une question d’ordre des missions et de planification des maintenances au bon moment mais il faut également décider à quelle mission est attribuée à quel véhicule. La prise de décision dépend alors de l’état de la flotte. Une analyse de l’impact de la prise en compte de la dimension flotte dans le cas statique, puis dans le cas dynamique est menée.Des résultats de simulation permettent d’illustrer les méthodes développées et de montrer leur intérêt et les gains en termes de coûts qu’elles engendrent.

This thesis work deals with the problems of joint scheduling for maintenance operations and missions for industrial vehicle fleets. The aim is to develop a methodology to adapt the joint scheduling of maintenance and missions according to the vehicles health state but also according to the missions features. These features correspond to the conditions of usage severity that have a significant impact on the truck deterioration and must be taken into account to adapt at best the maintenance operations schedule according to the deterioration evolution. The implementation of a decision support methodology to manage a fleet would improve productivity and reduce the maintenance costs while making the most of the fleet capacity. However, the joint scheduling problem for a fleet is a complex problem to solve and three main dimensions has to be considered. The first one is to jointly schedule missions and maintenance operations in a static case. The second one is to integrate the available monitoring information and the different events that can occur to update the schedule and treat the problem in a dynamic way. The third dimension is the fleet dimension that involves managing several vehicles in parallel.The first step is to jointly schedule the maintenance activity and the missions for a truck in a static case. It is assumed that all the missions to be performed are known and that no monitoring information is available. To do this, a vehicle deterioration model is defined to estimate its remaining useful lifetime to make decisions. It is a model with varying parameters since the vehicle operates under different conditions of usage severity according to the missions. It is the central point for setting up a scheduling algorithm to avoid any excessive risk of failure. The scheduling process is naturally optimized according to a criterion based on either the maintenance costs or the operating incomes.Once this methodology has been defined, it must be completed to include information on the vehicle deterioration, failure occurrences and new missions that may be requested. A dynamic approach has then been developed to solve the scheduling problem for a vehicle. If a breakdown occurs, the schedule must be updated because it is no longer adapted to the evolution of the current vehicle deterioration. Likewise, when a new mission is available, an update is essential because the priority order of the missions, defined by their deadlines, must be considered as soon as possible to avoid delay penalties. On the other hand, deterioration information can have a varying influence on the current schedule. Then, the schedule robustness has to be studied to avoid changing the mission order and the maintenance dates too often.The last step is to integrate the fleet dimension in the decision-making process. It is no longer just a question of mission order and timing for maintenance operations, but also of deciding which vehicle is assigned to which mission. The decision-making process then depends on the whole fleet. An analysis of the impact of considering the fleet dimension in the static case and then in the dynamic case is led.Simulation results are used to illustrate the developed methods and aim at showing their interest and the cost savings they generate.