Elaboration d'un système de maintenance prédictive basé sur l'analyse des données de production et l'expertise humaine : application à un procédé d'extrusion soufflage.

Development of a predictive maintenance system based on data analysis and human knowledge : application to a blow molding process.

• Auteur / Autrice : Vincent Ciancio
• Direction : Ali Siadat, Jean-Yves Dantan, Lazhar Homri
• Type : Thèse de doctorat
• Discipline(s) : Génie industriel
• Date : Soutenance le 06/06/2023
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : LCFC - Laboratoire de Conception, Fabrication et Commande. Metz - LCFC - Laboratoire de Conception, Fabrication et Commande. Metz
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Jury : Président / Présidente : Hind El Haouzi
• Jury : Examinateurs / Examinatrices : Ali Siadat, Jean-Yves Dantan, Lazhar Homri, Hind El Haouzi, Zohra Cherfi-Boulanger, Armand Baboli, Michel Tollenaere, Abdelaziz Berrado
• Jury : Rapporteurs / Rapporteuses : Zohra Cherfi-Boulanger, Armand Baboli

Mots clés

Mots clés contrôlés

Extrusion

Analyse des données

Modélisation des données (informatique)

Dissertation universitaire

Maintenance conditionnelle

Mots clés libres

Maintenance prédictive

Analyse de données

Modélisation de connaissances experts

Phm

Predictive maintenance

Data analysis

Expert knowledge

Phm

Résumé

Les activités de maintenance ont évolué ces dernières années grâce à la digitalisation du domaine et à l'application d'outils et de concepts de l'Industrie 4.0. En se connectant et en communiquant avec le système de production, les entreprises sont maintenant capables de créer des connaissances sur l'état de santé actuel et futur de celui-ci, permettant un contrôle plus efficace de l'équipement. Cette approche est appelée Maintenance Prédictive (PdM), et son objectif est de réduire les temps d'arrêt non planifiés et d'organiser efficacement les actions de maintenance avant que des pannes et des arrêts n'apparaissent.Cependant, pour atteindre de telles performances, il reste assez difficile pour l'acteur industriel de mettre en place un Système de Maintenance Intelligent (IMS) qui aidera à la gestion des données. De nombreuses exigences et limitations du contexte industriel ajoutent de la complexité à ce système. Il doit être capable de se connecter à plusieurs sources, de collecter des données de nature différente (données physiques, données de processus, etc.), de proposer différentes analyses et canaux d'alerte tout en étant convivial.Ceci est particulièrement vrai pour le secteur automobile, qui est confronté à de nouveaux défis et à une concurrence accrue de nos jours. La satisfaction des clients dépend de la qualité des produits, ainsi que des éventuelles personnalisations. Pour atteindre ces objectifs, la productivité est essentielle, ce qui signifie que la disponibilité des machines doit être maximisée et non affectée par les pannes imprévues. Celles-ci coûtent beaucoup d'argent et de temps et peuvent éventuellement générer des problèmes de qualité sur les pièces produites pendant la phase de détérioration du système de production.Dans ce travail de recherche, initié par Plastic Omnium (division Clean Energy Systems), en collaboration avec l'Ecole Nationale Supérieure d'Arts et Métiers (ENSAM) et le Laboratoire Conception Fabrication Commande (LCFC) situé à Metz, nous proposons une méthodologie pour mettre en œuvre un système de maintenance prédictive dans le contexte industriel. Cette méthodologie est testée et appliquée à des cas d'usage concrets, et les résultats sont utilisés pour améliorer et proposer une solution finale. Cette solution est un système de maintenance intelligent construit sur cette méthodologie, des outils de l'Industrie 4.0 et des logiciels open source. Nous employons et mettons l'accent sur le terme flexible pour cette solution, car c'est l'une des principales caractéristiques requises par ce système pour fonctionner dans différents contextes, et être adaptable aux besoins et aux limitations précédemment discutées.

Maintenance activities have evolved over the recent years, through the digitalization of the field and the application of tools and concepts from Industry 4.0. By connecting and communicating with the production system, companies are now able to create knowledge about its current and future health state, allowing more and more efficient control over the equipment. This approach is called Predictive Maintenance (PdM), and its goal is to reduce unplanned downtimes and organize efficiently maintenance actions before failures and stoppages appear.However, to reach such performance, it is still quite challenging for the industrial actor to implement an Intelligent Maintenance System (IMS) that will help with the data management. Many requirements and limitations from the industrial context add complexity to this system. It needs to be able to connect to multiple sources, collect data of different nature (physical data, process data, and more), propose different analyses and alerting channels while being user-friendly.This statement is especially true for the automotive sector, which is facing new challenges and increased competition nowadays. Customer satisfaction depends on products and parts quality, as well as possible customizations. To reach these objectives, productivity is key, meaning machines availability needs to be maxed and not impacted by unplanned breakdowns. These cost a lot of money and time and can possibly generate quality issues on parts produced during the deteriorating phase of the production system.In this research work, initiated by Plastic Omnium (Clean Energy Systems division), in collaboration with Ecole Nationale Supérieure d'Arts et Métiers (ENSAM) and Laboratoire Conception Fabrication Commande (LCFC) located in Metz, we propose a methodology to implement a Predictive Maintenance system in the industrial context. This methodology is tested and applied on concrete use cases, and the results are used to improve and propose a final solution. This solution is an Intelligent Maintenance System built on this methodology, Industry 4.0 tools and open-source software. We employ and put the emphasis on the term flexible for this solution, as it is one of the major features required by this system to work in different contexts and be adaptable to the needs and limitations previously discussed about.