CRAN - Campus Sciences
BP 70239 - 54506 VANDOEUVRE Cedex
Tél : +33 (0)3 72 74 52 90 Fax : +33 (0)3 72 74 53 08
cran-secretariat@univ-lorraine.fr
 
 
Sujet de Thèse : Modélisation d’un système de distribution de flux par un Modèle Graphique Probabiliste Dynamique appliqué au pronostic de durée de vie résiduelle.
Dates : 2017/10/01 - 2020/09/30
Directeur(s) CRAN : Philippe WEBER , Christophe SIMON
Description : Cette thèse à pour but de contribuer au développement des recherches en Health Management : gestion de l’état de santé des systèmes complexes. Dans un contexte de management opérationnel et de sûreté de fonctionnement des systèmes, nous proposons d’étudier comment la modélisation par un Modèle Graphique Probabiliste Dynamique (MGPD) permet le diagnostic de l’état de santé d’un système, le pronostic de ses performances et de l’évolution des dégradations et l’estimation de sa durée de vie résiduelle. Cette thèse à pour but de contribuer aux verrous scientifique suivants :
- modélisation de systèmes complexes pour l’aide à la décision dans un univers incertain : en proposant une méthode adaptée aux nouveaux enjeux de la sûreté de fonctionnement visant à évaluer des systèmes de distribution de flux;
- propagation des incertitudes dans la modélisation de systèmes complexes : en particulier l’incertitude sur l’évolution de l’environnement d’exploitation, l’incertitude sur la propagation des évènements dans l’évaluation probabiliste de sûreté, et notamment le cas des incertitudes épistémiques liées au manque de connaissance ;
- diagnostic de l’état de santé d’un système et le pronostic des performances, des dégradations et de la durée de vie résiduelle d’un système.

Pour le support applicatif, nous nous intéressons aux systèmes de distribution de flux : d’information, d’énergie, ou de matières. Ce support présente l’intérêt de la complexité par le nombre de variables, mais aussi par leurs interdépendances. Par ailleurs, il est d'intérêt sociétal, car cette classe de système correspond bien aux systèmes complexes de nos sociétés : réseau de distribution d’eau, réseaux de distribution d’électricité, réseau de distribution de chaleur dont il est nécessaire d’optimiser la maintenance.

L’objectif de cette thèse est d’étudier comment un MGPD permet de modéliser : la dégradation des composants et l’impact de ces dégradations sur les performances du système. La dégradation des composants est en générale inconnue et nécessite un arrêt du système pour être observée ce qui est impossible durant l’exploitation du système. Cependant, un ensemble de grandeurs observables sur le système peuvent caractériser la dégradation et par conséquent la durée de vie résiduelle du système.

Les MGPD permettent une approche multi-états adaptée à la modélisation de ce type de systèmes (Weber et Simon 2016). De plus (Thanh 2014, Tobon-Mejia 2012) proposent l’utilisation de HMM (Hidden Markov Model) ou de HSMM (Hidden Semi-Markov Model) pour modéliser le processus non observable de dégradation et le relier à des observations de leurs conséquences.

Nous avons proposé des contributions pour la modélisation de la fiabilité des composants en intégrant l’impact de l’environnement et des contraintes de fonctionnement par IO-HMM (Ben Salem 2006) ainsi que pour la modélisation de l’impact de la fiabilité des composants sur les niveaux fonctionnels des systèmes par réseaux bayésiens (Medina-Oliva 2015). Les algorithmes d’apprentissage et d’inférence des MGPD disponibles aujourd’hui rendent exploitable ces modèles complexes pour une exploitation dans une problématique de pronostic.
Nous avons également travaillé sur la modélisation de l’incertitude épistémique et des connaissances incomplètes en fiabilité et en maîtrise des risques (Simon 2008) et plus particulièrement pour la modélisation des performances des systèmes multi-états (Simon et Weber 2009), ce qui correspond bien au problème de connaissance du processus de dégradation des composants. Enfin, nous avons intégré l’aspect dynamique dans cette modélisation des processus incertains (Weber et Simon 2008).

Il s’agira dans cette thèse de transposer et de capitaliser l’expérience de ces travaux antérieurs dans un contexte de pronostic sur la base d’un MGPD plus efficace compte tenu des connaissances disponibles sur le système. Nous proposons d’étendre la modélisation classique des modèles de la famille des HMM vers les MGPD pour permettre une propagation temporelle de l’incertitude sous la forme d’intervalles de probabilités afin de résoudre le problème de pronostic. Cette recherche comprend l’extension des algorithmes d’apprentissage et d’inférence. Les variantes du modèle HMM seront envisagées pour intégrer le contexte opérationnel dans le pronostic.

L’enjeu est majeur, car le pronostic de la dégradation des composants du système permet de définir des stratégies soit de pilotage soit de maintenance par rapport à la durée de vie résiduelle du système, et ainsi réduire la probabilité d’occurrence d’un arrêt pour cause de dysfonctionnement du système soit en réduisant la vitesse de dégradation pour s’accorder à un plan de maintenance préventif soit en planifiant les interventions de maintenance de manière proactive.

Weber P., Simon C., Systems Dependability Assessment: Benefits of Bayesian Networks Models. Wiley-ISTE, 2016, ISBN: 978-1-84821-992-2
Medina-Oliva G., Weber P., Iung B. Industrial system knowledge formalization to aid decision making in maintenance strategie sassessment. EAAI, 37, 2015.
Thanh Trung Le, Florent Chatelain, Christophe Berenguer. Hidden Markov Models for diagnostics and prognostics of systems under multiple deterioration modes. ESREL 2014, Poland
Diego Tobon-Mejia, Kamal Medjaher, Noureddine Zerhouni, Gérard Tripot. A data-driven failure prognostics method based on mixture of gaussians hidden markov models. IEEE Trans. on Reliability, 2012, 61 (2) <10.1109/TR.2012.2194177>
Simon C., Weber P. Evidential networks for reliability analysis and performance evaluation of systems with imprecise knowledge. IEEE Trans. on Reliability, 58(1), 2009, DOI : 10.1109/TR.2008.2011868
Simon C., Weber P., Evsukoff A.G. Bayesian networks inference algorithm to implement Dempster Shafer theory in reliability analysis. Special Issue “Bayesian networks in dependability”, in RESS, 93(7) 2008, DOI : 10.1016/j.ress.2007.03.012
Weber P., Simon C. Dynamic evidential networks in system reliability analysis: A Dempster Shafer approach. 16th Mediterranean Conference on Control and Automation, Ajaccio, France, 2008.
Ben Salem A., Muller A., Weber P. Dynamic Bayesian Networks in system reliability analysis. 6th IFAC SAFEPROCESS, Beijing, P.R. China, 2006.
Mots clés : Pronostic, durée de vie résiduelle, sûreté de fonctionnement, modèle graphique probabiliste dynamiqu
Conditions : Durée : 3 ans
Lieu : CRAN - FST, Vandoeuvre-lès-Nancy
Profil du candidat : Nous sommes à la recherche d’un(e) candidat(e) fortement motivé(e) ayant un diplôme de Master en automatique, en mathématiques appliquées ou en informatique/intelligence artificielle, et démontrant un goût prononcé pour la recherche méthodologique.
Département(s) : ISET
Cette thèse s’inscrit dans le LABCOM : PHM-Factory (CRAN – PREDICT) supporté par le CRAN, elle est plus particulièrement rattachée au Projet : Sûreté de fonctionnement, PHM et maintenance des systèmes complexes (S-PHM2) du département : Ingénierie des Systèmes Eco-Techniques (ISET).
Cette thèse sera encadrée par Philippe WEBER Professeur des Universités au CRAN et Christophe SIMON Maître de Conférences au CRAN, tous deux membres du Projet : Sûreté de fonctionnement, PHM et maintenance des systèmes complexes (S-PHM2) du département : Ingénierie des Systèmes Eco-Techniques (ISET) et du projet : Commande tolérante - Diagnostic de défauts et Sûreté (CDuSûr) du département : Contrôle - Identification – Diagnostic (CID), du CRAN (UMR 7039).
Département(s) :
Ingénierie des Systèmes Eco-Techniques
Financement : Allocation doctorale de l'École Doctorale IAEM Lorraine
Publications : hal-01359420v1, hal-01119869v1, hal-00340040v1, hal-00139492v1, hal-00092032v1    + CRAN - Publications