Predictive maintenance implementantion strategy in an industry 4.0 context : a machine learning based approach

Stratégie d'implémentation de la maintenance prédictive dans un contexte d'industrie 4.0 : une approche basée sur le machine learning

• Auteur / Autrice : Anthony Fombonne de Galatheau
• Direction : Nathalie Julien, Alexandru-Liviu Olteanu
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et Sciences et Technologies de l’Information et de la Communication. Spécilaité : automatique, productique, robotique
• Date : Soutenance le 28/06/2023
• Etablissement(s) : Lorient
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication en Bretagne Océane (Brest)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
• Jury : Président / Présidente : Catherine Da Cunha
• Jury : Rapporteurs / Rapporteuses : Zineb Simeu-Abazi, Philippe Thomas

Mots clés

Mots clés contrôlés

Usines -- Entretien

Apprentissage profond

Maintenance conditionnelle

Mots clés libres

Détection d’anomalies

Usine intelligente

Predictive maintenance strategy

Anomaly detection

Smart factory

Deep learning

Résumé

Cette thèse propose une stratégie de maintenance prédictive appliquée à un cas industriel avec Dynavia, une entreprise spécialisée dans la fabrication de systèmes de traitement des semences. Le système de Dynavia est innovant et assure la sécurité des opérateurs tout en permettant un traitement local sur les semences. Pour mettre en place la maintenance prédictive, un workflow a été établi pour identifier un composant idéal, collecter et préparer les données de plusieurs sources, créer un modèle de machine learning pour faire des prédictions et en assurer la maintenabilité lorsque le modèle se dé- grade. Cette stratégie permet ainsi de mettre en place la maintenance prédictive pour ce projet industriel. Dans cette thèse, une expérimentation de la détection d’anomalie a été réalisée sur une pompe de dosage industrielle à l’aide d’un algorithme de réseaux de neurones récurrents (LSTM et GRU) en utilisant la variable de la densité du produit dans la pompe. Différentes combinaisons d’architectures ont été testées pour identifier le modèle optimal. Les résultats montrent que tous les modèles testés ont détecté des anomalies similaires aux trois cas de maintenance réels déclarés par le client, avec des différences dans les écarts d’erreur d’évaluation des modèles et dans le temps d’apprentis- sage. Les modèles ont également été testés avec la pression aval de la pompe, et bien qu’il y ait place à l’optimisation, ils ont détecté des anomalies dans le troisième cas de réelle défaillance.

This thesis proposes a predictive maintenance strategy applied to an industrial case with Dynavia, a company specialized in the manufacture of seed treatment systems. Dynavia’s system is innovative and ensures the safety of the operators while allowing a local treatment on the seeds. To implement predictive maintenance, a workflow was established to identify an ideal component, collect and prepare data from multiple sources, create a machine learning model to make pre- dictions and ensure maintainability when the model degrades. This strategy thus enables the implementation of predictive maintenance for this industrial project. In this thesis, an experiment of anomaly detection was performed on an industrial dosing pump using a recurrent neural network algorithm (LSTM and GRU) using the variable of the density of the product in the pump. Different combinations of architectures were tested to identify the optimal model. The results show that all tested models detected anomalies similar to the three actual customer-reported maintenance cases, with differences in model evaluation error gaps and learning time. The models were also tested with pump downstream pressure, and while there is room for optimization, they detected anomalies in the third real failure case.