"Pronostic de défaillance basé sur les données pour la prise de décision en maintenance : Exploitation du principe d'augmentation de données avec intégration de connaissances à priori pour faire face aux problématiques du small data set."
(Thèse Antonin GAY)
Résumé :
Cette thèse CIFRE est un projet commun entre ArcelorMittal et le laboratoire CRAN, dont l'objectif est d'optimiser la prise de décision en maintenance industrielle par l'exploitation des sources d'information disponibles : les données et des connaissances expertes, dans le cadre des contraintes industrielles présentées par le contexte sidérurgique. La stratégie actuelle de maintenance des lignes sidérurgiques est basée sur une maintenance préventive planifiée. L'évolution de la maintenance préventive vers une stratégie dynamique se fait par le biais de la maintenance prédictive. La maintenance prédictive a été formalisée au sein du paradigme Prognostics and Health Management (PHM) sous la forme d'un processus en sept étapes. Parmi ces étapes de la PHM, ce doctorat se concentre sur la prise de décision et le pronostic. En regard de cette maintenance prédictive, le contexte de l'Industrie 4.0 met l'accent sur les approches basées sur les données, qui nécessitent une grande quantité de données que les systèmes industriels ne peuvent pas fournir systématiquement. La première contribution de la thèse consiste donc à proposer une équation permettant de lier les performances du pronostic au nombre d'échantillons d'entraînement disponibles. Cette contribution permet de prédire quelles performances le pronostic pourraient atteindre avec des données supplémentaires, dans le contexte de petits jeux de données (small datasets). La deuxième contribution de la thèse porte sur l'évaluation et l'analyse des performances de l'augmentation de données appliquée au pronostic sur des petits jeux de données. L'augmentation de données conduit à une amélioration de la performance du pronostic jusqu'à 10%. La troisième contribution de la thèse est l'intégration de connaissances expertes au sein de l'augmentation de données. L'intégration de connaissances statistiques s'avère efficace pour éviter la dégradation des performances causée par l'augmentation de données sous certaines conditions défavorables. Enfin, la quatrième contribution consiste en l'intégration des résultats du pronostic dans la modélisation des coûts de la prise de décision en maintenance et en l'évaluation de l'impact du pronostic sur ce coût. Elle démontre que (i) la mise en oeuvre de la maintenance prédictive réduit les coûts de maintenance jusqu'à 20% et (ii) l'amélioration de 10% du pronostic peut réduire les coûts de maintenance de 1% supplémentaire.
Mots-clés : Maintenance, Prognostics and Health Management, Augmentation de données, Petits jeux de données, Prise de décision en maintenance, Connaissances expertes
Jury : | |
- Rapporteurs : | François PERES (Université de Toulouse) |
Birgit VOGEL-HEUSER (Technische Universität München) | |
- Autres membres : | - Christophe BERENGUER (Université Grenoble Alpes) - Examinateur. - Olga FINK (EPFL Lausanne) - Examinateur. - Rémi BONIDAL (ArcelorMittal) - co-encadrant industriel. - Ahmed KHELASSI (ArcelorMittal) - co-encadrant industriel. - Alexandre VOISIN (Université de Lorraine) - co-directeur de thèse. - Benoit IUNG (Université de Lorraine) - directeur de thèse. |