Predictive maintenance implementantion strategy in an industry 4.0 context : a machine learning based approach
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 |
Rapporteurs / Rapporteuses : Zineb Simeu-Abazi, Philippe Thomas |
Mots clés
Mots clés contrôlés
Mots clés libres
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.