Contribution à la mise en oeuvre du Prognostic and Health Management (PHM) industriel

Abstract

Contribution à la mise en oeuvre de Prognostic and Health Management (PHM) industriel Résumé : Les exigences de sûreté de fonctionnement et de performance global impliquent l’amélioration de la disponibilité, de la fiabilité et de la sécurité des systèmes industrielles tout en réduisant leur coût de cycle de vie. Une des solutions possibles est de faire évoluer la maintenance traditionnelle, réactive ou systématique, vers une maintenance proactive, conditionnelle ou prédictive. La principale spécificité de la maintenance prédictive réside dans la prédiction ou le pronostic future de la défaillance communément dénommée PHM (Prognostics and Health Management). Le but du pronostic industriel est de prédire l'état futur du système surveillé, et de donner, plus spécifiquement, une estimation de sa durée de vie utile restante (RUL). Parmi les approches utilisées, le pronostic guidé par les données est le plus prometteur lorsqu'il s'agit de traiter une multitude de données hétérogènes. L'objectif de cette thèse est de présenter la mise en oeuvre d'une méthodologie de pronostic basée sur les données, où la durée de vie utile restante est déterminée par l'association de méthodes statistique et d'intelligence artificielle. Cette méthodologie proposée est basée sur l’algorithme RVM-SBL (Relevance Vector Machine- Sparse Bayesien Learning) pour construire le modèle de dégradation prédictif dans le module hors ligne, et sur l’algorithme RVM-SBI (Relevance Vector Machine- Sparse Bayesien Interpollation) pour la prédiction de la durée de vie utile restante dans le module en ligne. Les différentes étapes du cadre proposé sont décrites et mises en oeuvre à travers deux études de cas. Les résultats obtenus ont été évalué et validé et permettent de confirmer l’acceptabilité de la méthodologie proposée.Contribution to the implementation of industrial Prognostic and Health Management (PHM) Abstract: Operational safety and overall performance requirements involve improving the availability, reliability and safety of industrial systems while reducing their life cycle cost. One of the possible solutions is to evolve traditional maintenance, reactive or systematic, towards proactive, conditional, or predictive maintenance. The main specificity of predictive maintenance lies in the future prediction of failure commonly referred to as PHM (Prognostics and Health Management). The purpose of the industrial prognostic is to predict the future state of the monitored system and to give, more specifically, an estimate of its remaining useful life (RUL). Among the approaches used, data-based prognostic is the most promising when dealing with a multitude of heterogeneous data. The objective of this thesis is to present the implementation of a data-driven prognostic methodology, where the remaining useful life is determined by the combination of statistical methods and artificial intelligence. This proposed methodology is based on RVM-SBL (Relevance Vector Machine- Sparse Bayesien Learning) algorithm to build the predictive degradation model in the offline part, and RVM-SBI (Relevance Vector Machine- Sparse Bayesien Interpollation) algorithm to estimate a remaining useful life in the online part. The different steps of the proposed framework are described and implemented through two case studies. The results obtained were evaluated and validated and confirm the acceptability of the proposed methodology.المساهمة التنبؤ و الإدارة الصحة (PHM) الصناعية الملخص : . تتضمن متطلبات السلامة التشغيلية والأداء العام تحس ن ي توافر وموثوقية وسلامة الأنظمة الصناعية مع تقليل تكلفة دورة حياته ا أحد الحلول الممكنة هو تطوير الصيانة التقليدية ، التفاعلية أو المنهجية ، نحو الصيانة الاستباقية أو الم ر شوطة أو التنبؤية . تكم ن الخصوصية باسم ً ي التنبؤ المستقب ي ل بالفشل الذي يشار إليه عادة ن الرئيسية للصيانة التنبؤية ف PHM ) التنبؤ و إدارة الصحة(. الغرض من التكهن الصنا ي ع هو ي ) ا ، تقديرًا لعمره الإنتا ي ج المتب ق ً التنبؤ بالحالة المستقبلية للنظام الخاضع للمراقبة وإعطاء ، بشكل أك رث تحديد RUL (. من ب ن ي الأساليب المستخدمة ، يعد التكهن القائم عل البيانات هو الأك رث واعدة عند التعامل مع العديد من البيانات غ ث المتجانسة. ا لهدف من هذه الأطروحة هو تقديم منهجية ي من خلال مزي ج من الأساليب الإحصائية والذكاء الاصطنا ي ع. تعتمد تنبؤية تعتمد عل البيانات ، حيث يتم تحديد العمر الإنتا ي ج المتب ق هذه المنهجية عل تقنية آلة المتجه الملاءمة ) RVM-SBL ي الجزء غ ث ا ن ي ف ( لبناء نموذج التدهور التنب ئ لمتصل، وعل تقنية الاستيفاء المستند إلى التشابه ( RVM-SBI ي الجزء المتصل. يتم وصف وتنفيذ الخطوات المختلفة للإطار المق ثح من خلال دراسة حالت ن ي ن ي ف ( لتقدير العمر النافع المتب ق . تم تقييم ي تم الحصول عليها والتحقق من صحتها وتأكيد قبول المنهجية المق ثحة النتائج ال ئ .